本节使用SVC分类模型对make_moons数据集进行分类预测。共构造了3种不同核函数的支持向量机，分别是线性核函数、多项式核函数及高斯核函数。可以看到，不同核函数的分类器效果各异。
#导入make_moons数据，并划分训练测试集
import sklearn.datasets
from sklearn.model_selection import train_test_split
X, y = sklearn.datasets.make_moons(100,noise=0.3)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
#三种不同核函数的支持向量机
from sklearn import svm
clf_linear=svm.SVC(kernel='linear')
clf_poly=svm.SVC(kernel='poly')
clf_rbf=svm.SVC(kernel='rbf')
#效果评估
clf_linear.fit(X,y)
clf_poly.fit(X,y)
clf_rbf.fit(X,y)
print(clf_linear.score(X,y)) #线性核函数效果
print(clf_poly.score(X,y)) #多项式核函数效果
print(clf_rbf.score(X,y)) #高斯核函数效果
#此外，还可以绘制不同核函数模型的预测效果图
#定义效果图绘制函数
import numpy as np
import matplotlib.pyplot as plt
def plot_hyperplane(clf, X, y, h=0.02, draw_sv=True, title='hyperplan'):
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
np.arange(y_min, y_max, h))
plt.title(title)
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap='hot', alpha=0.5)
markers = ['o', 's', '^']
colors = ['b', 'r', 'c']
labels = np.unique(y)
for label in labels:
plt.scatter(X[y==label][:, 0],
X[y==label][:, 1],
c=colors[label],
marker=markers[label], s=20)
if draw_sv:
sv = clf.support_vectors_
plt.scatter(sv[:, 0], sv[:, 1], c='black', marker='x', s=15)
#可视化效果图
plt.figure(figsize=(5,4), dpi=120)
plot_hyperplane(clf_linear,X,y,h=0.05,title='linear kernel') #可替换clf_linear为clf_poly以及clf_rbf
plt.show()
